آموزش مدیریت مدل ها با استفاده از MLflow در Databricks

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

ردیابی مدل ها با استفاده از MLflow Tracking Models Using MLflow

• پیش نیازها و رئوس مطالب دوره Prerequisites and Course Outline

• معرفی Databricks Machine Learning Runtime Introducing the Databricks Machine Learning Runtime

• معرفی MLflow Tracking با آزمایش‌ها و اجراها Introducing MLflow Tracking with Experiments and Runs

• نسخه ی نمایشی: راه اندازی محیط یادگیری ماشین روی Databricks Demo: Setting up the Machine Learning Environment on Databricks

• نسخه ی نمایشی: تمیز کردن و پیش پردازش داده ها Demo: Cleaning and Preprocessing Data

• نسخه ی نمایشی: ایجاد یک آزمایش Demo: Creating an Experiment

• نسخه ی نمایشی: ایجاد و خاتمه اجراها Demo: Creating and Terminating Runs

• نسخه ی نمایشی: ردیابی معیارهای مدل در یک اجرا Demo: Tracking Model Metrics in a Run

• نسخه ی نمایشی: ردیابی پارامترهای مدل در یک اجرا Demo: Tracking Model Parameters in a Run

• نسخه ی نمایشی: مشاهده و مرتب سازی اجراها Demo: Viewing and Sorting Runs

• نسخه ی نمایشی: مقایسه اجراها در یک آزمایش Demo: Comparing Runs in an Experiment

• نسخه ی نمایشی: ثبت خودکار با MLflow Demo: Autologging with MLflow

• نسخه ی نمایشی: جستجو و مرتب سازی اجراها Demo: Searching and Sorting Runs

• نسخه ی نمایشی: کار برنامه نویسی با آزمایش ها و اجراها Demo: Programmatically Working with Experiments and Runs

مدل های تولید و سرویس دهی Productionizing and Serving Models

• رجیستری مدل MLflow و سرویس مدل The MLflow Model Registry and Model Serving

• نسخه ی نمایشی: ورود به سیستم در یک آزمایش نوت بوک اجرا می شود Demo: Logging Runs in a Notebook Experiment

• نسخه ی نمایشی: ثبت یک مدل با استفاده از رابط کاربری Demo: Registering a Model Using the UI

• نسخه ی نمایشی: استفاده از یک مدل بارگذاری شده برای پیش بینی ها Demo: Using a Loaded Model for Predictions

• نسخه ی نمایشی: انجام استنتاج دسته ای Demo: Performing Batch Inference

• نسخه ی نمایشی: انتقال مرحله مدل Demo: Transitioning the Model Stage

• نسخه ی نمایشی: استقرار مدل در نقطه پایانی REST Demo: Deploying the Model to a REST End Point

• نسخه ی نمایشی: استنتاج با استفاده از پایتون Demo: Making Inferences Using Python

• نسخه ی نمایشی: استنتاج با استفاده از مرورگر و کرل Demo: Making Inferences Using the Browser and Curl

• نسخه ی نمایشی: ثبت یک نسخه جدید از یک مدل موجود Demo: Registering a New Version of an Existing Model

استفاده از مدل های سفارشی و پروژه های MLflow Using Custom Models and MLflow Projects

• مدل سفارشی و طعم های سفارشی Custom Model and Custom Flavors

• نسخه ی نمایشی: کار با مدل های پایتون سفارشی Demo: Working with Custom Python Models

• پروژه های MLflow MLflow Projects

• نسخه ی نمایشی: مدل های آموزشی با استفاده از پروژه های MLflow میزبانی شده در GitHub Demo: Training Models Using MLflow Projects Hosted on GitHub

• نسخه ی نمایشی: مدل های آموزشی با استفاده از پروژه های MLflow میزبانی شده در DBFS Demo: Training Models Using MLflow Projects Hosted on DBFS

• خلاصه و مطالعه بیشتر Summary and Further Study